标签
CALM 提出了一种用于去中心化联邦学习的方法，该方法利用类内一致性和标签门控分歧调制来处理非独立同分布数据，改进了教师加权和蒸馏信任，而无需额外的通信开销。
本文为异步点对点gossip学习网络中的知识蒸馏提供收敛理论，证明其能收缩函数不一致性，并分析理论收敛速率。
本文提出了CRAD，一种用于去中心化联邦学习的基于类别的可靠性感知蒸馏方法，以处理异构架构和非独立同分布数据，在图像分类基准测试上实现了更高的准确率。
本文介绍了RW-LoRA，这是一种利用随机游走减少通信和计算成本的去中心化LoRA微调方法，同时在NLP任务上实现竞争性性能。
本文提出了一种通信约束下去中心化学习的统一框架，引入了DMFL-SQ算法。该算法结合了基于图的个性化、无关公平性和压缩通信，以在保持预测性能并提升客户端间公平性的同时减少通信开销。
This paper studies decentralized multi-player Q-learning in episodic Markov decision processes under three forms of information asymmetry, proposing algorithms that achieve regret bounds matching the single-agent Q-learning rate up to logarithmic factors.
本文介绍了 MEMOA，这是一种针对大规模在线智能体的去中心化策略。该策略通过平均场纳什均衡实现最优性，在超越贪婪基线的同时，比中心化方法具有更好的扩展性。